Basic Matplotlib Graph
สวัสครับทุกคน กลับมาเจอกันอีกแล้วนะครับ ครั้งนี้จะพาทุกท่านเข้าสู่โลกของกราฟที่น่าสนใจในการนำไปใช้งานใน Python กันนะครับ
กราฟวันนี้จะเป็นส่วนหนึ่งที่มีการแนะนำอยู่ใน เว็ปไซต์ของ Matplotlib นั้นเอง เรามีการคัดเลือกกราฟที่เหมาะกับงานแบบต่าง ๆ ไว้ให้แล้วนั้นเอง ถ้าไปอ่านกัน GO..
ก่อนที่จะเริ่มกันเราต้องมีการติดตั้ง Matplotlib กันก่อนการติดตั้งนั้งก็ง่ายมากเพียงแค่ใช้คำสั้ง
pip install matplotlibหลังจากติดตั้งเสร็จแล้วก่อนใช้ก็ต้อง import ก่อนนะ
import matplotlib.pyplot as pltหลังจากทำทุกอย่างเสร็จแล้วก็มาดูกราฟที่มีโอกาศที่จะเอามาใช้กันบ่อย ๆ กัน
Basic Line Graph
# ตัวอย่างข้อมูล
x = (9,3,4,19,15,17,1,20,19,13)
y = (0,1,2,3,4,5,6,7,8,9)# พล็อตจุด
plt.plot(y, x)# กำหนดค่าของแกน x และ y
plt.ylim(min(x),max(x))
plt.xlim(min(y),max(y))# ตั้งชื่อแกน x และ y
plt.xlabel('x - axis')
plt.ylabel('y - axis')# ตั้งชื่อกราฟ
plt.title('Sample Graph')# คำสั้งแสดงผล
plt.show()
กราฟแรกก็ต้องรู้จักก็คือกราฟเส้นปกติ เป็นกราฟที่ไม่มีอะไรมากมายแต่ใส่ค่าเข้าไปแล้วสร้างกราฟขึ้นมา กราฟแบบนี้มักจะนิยมใช้เพื่อดูการเปลี่ยนแปลงของข้อมูลแบบคราว ๆ ไม่เน้นสวยงามมากมายอะไร
Basic pie chart
# ตัวอย่างข้อมูล
labels = 'Grade A','Grade B','Grade C','Grade D'
sizes = [10, 30, 50, 15]# พล็อตกราฟจากข้อมูลทั้งหมด
fig1, ax1 = plt.subplots()
ax1.pie(sizes,labels=labels,autopct='%.1f%%',startangle=45)
# คำสั้ง autopct='%.1f%%'ใช้กำหลดตัวเลขที่แสดงผลในกราฟ
# คำสั้ง startangle=45 (ใช้หมุนกราฟ หน่วยเป็น องศา)# คำสั้งแสดงผล
plt.show()
กราฟแบบต่อมาคือ กราฟวงกลม เป็นกราฟที่ค่อนข้างเรียบง่ายแทบไม่ต่างอะไรากจากกราฟเส้นตรงเลย ต่างกันจริง ๆ แค่ไม่ต้องมีการกำหนดค่าในแกนต่าง ๆ แต่เปลี่ยนเป็นการให้ข้อมูลทั้งหมดที่จะใช้แล้วให้ function สร้างกราฟให้เองอัตโนมัติ ซึ่งกราฟแบบนี้เหมาะสมอย่างมากกับการนำเสนอข้อมูลให้ผู้อื่นเข้าใจได้ง่าย (เหมาะมากกับการใช้นำเสนองานต่าง ๆ ให้ลูกค้าเข้าใจ)
Grouped bar chart
# import numpy เพื่อช่วยในการคำนวน
import numpy as np# ตัวอย่างข้อมูล
labels = ['Chart 1', 'Chart 2', 'Chart 3']
Data_1 = [20, 34, 30]
Data_2 = [25, 32, 34]# สร้าง array ของตำแหน่ง labels
x = np.arange(len(labels))
# กำหนดขนาดของแท่งกราฟ
width = 0.2# พล็อตกราฟจากข้อมูลทั้งหมด
fig, ax = plt.subplots()
rects1 = ax.bar(x - width/2, Data_1, width, label='Data 1')
rects2 = ax.bar(x + width/2, Data_2, width, label='Data 2')
# คำสั่ง x + witdth/2 และ x - width/2 คือการหาจุดพล็อตกราฟ# ตั้งชื่อแกน x และ y
ax.set_ylabel('value')
ax.set_title('Sample Graph')# label ข้อมูลตาม labels array
ax.set_xticks(x)
ax.set_xticklabels(labels)# เพิ่มคำอธิบายสีของกราฟ
ax.legend()# คำสั้งแสดงผล
plt.show()
กราฟอีกแบบที่ควรรู้จักคือกราฟแท่ง เป็นกราฟที่มีความยากขึ้นมาหน่อยในการ เพราะในการสร้างกราฟนั้นต้องมีการคำนวนตำแหน่งที่จะพล็อตกราฟแต่ละแท่งด้วย ซึ่งจำเป็นต้องอาศัยความรู้ทางคณิตศาสตร์ควบคู่ไปด้วยในการสร้าง โดยกราฟแบบนี้นิยมใช้ในการเปรียบเทียบข้อมูลหลาย ๆ ชุด และใช้นำเสนอข้อมูลเพราะสามารถตั้งค่าความสวยงามได้ในระดับหนึ่ง
3D scatterplot
# ตัวอย่างข้อมูลชุดที่ 1
x1 = [77,65,15,17,56,14,21,6,26,1]
y1 = [48,31,95,35,50,10,9,15,48,2]
z1 = [96,31,13,16,34,42,24,76,71,84]
# ตัวอย่างข้อมูลชุดที่ 2
x2 = [40,29,67,37,81,35,18,95,16,11]
y2 = [90,10,16,17,79,61,51,81,99,100]
z2 = [77,16,94,47,37,64,15,7,8,1]# ตั้งค่าพื้นฐานของกราฟ 3 มิติ
fig = plt.figure()
ax = fig.add_subplot(projection='3d')# พล็อตกราฟค่า x,y,z จากทั้ง 2 ชุดข้อมูล
ax.scatter(x1, y1, z1, marker='*')
ax.scatter(x2, y2, z2, marker='^')# ตั้งชื่อแกน x,y และ z
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')# คำสั้งแสดงผล
plt.show()
มาถึงกราฟสุดท้ายที่อยากแนะนำนั้งคือ กราฟการกระจายตัวของข้อมูลใน 3 มิติ กราฟรูปแบบนี้จะนิยมใช้ในการทำงานที่มีข้อมูลเกี่ยวกับตัวเลขเยอะ และการทำดำเนินการเกี่ยวกับข้อมูลทางฟิสิกส์ เป็นกราฟที่ค่อนข้างเข้่าใจง่ายแต่ต้องอาศัยการตัความที่ดีเพื่อทำความเข้าใจข้อมูลที่มี
สุดท้ายก็หวังว่าบทความนี้จะเป็นแประโยชน์กับผู้ที่สนใจทุกท่าน หากข้อมูลส่วนไหนผิดพลากของอภัยนะครับ
ขอบคุณข้อมูลจากเว็ปไซต์ของ Matplotlib ด้วยครับ
ใครอยากรู้จักกราฟเพิ่มเติมเข้าไปดูได้ครับ
